Tableau 비즈니스 과학 소개

AI 프로젝트가 성공하려면 데이터 전문 지식과 분야 전문 지식이 필요합니다.

AI가 사람을 대신할 것이라는 두려움과 오해에도 불구하고, 아무리 스마트한 기계라도 사람의 판단력에 미치지 못하는 비즈니스 문제가 너무나 많습니다. 예를 들어, 어떤 영업 조직에서 가장 수익성이 좋은 상향/교차 판매 기회를 결정하는 데 예측 모델링을 사용할 수 있습니다. 한 알고리즘이 고객의 구매 가능성에 관한 예측을 제시할 수 있지만, 그 알고리즘에는 비즈니스 관계를 좌우하는 어떤 사람에 대한 결정적인 지식은 없을 것입니다. 고객 계정 담당 임원이라면 고객의 목표와 어떤 제품이 고객의 목표 달성에 도움이 될 수 있을지 파악하고 있을 수 있고, 과거의 경험을 통해 어떤 솔루션은 구매 합의점에 도달할 가능성이 낮다는 점을 알고 있을 수도 있습니다.

이런 종류의 미묘한 차이를 파악하려면 알고리즘만으로 제시할 수 있는 범위를 넘어 인간의 판단력이 필요합니다. 컴퓨터에서 생성되는 인사이트의 엄격성, 자동화, 확장성과 결합된 사람의 전문 지식, 판단력, 종합적인 상황 인식이 다 함께 더 나은 비즈니스 성과를 주도합니다. 또 다른 예로, 어떤 지역의 수익을 늘리려면 그 지역 매장에 어떤 신제품을 추가해야 할지 살펴보고 싶어 하는 소매업체를 들 수 있습니다. 비즈니스 전문가는 공급업체 관계, 지역 동향, 기타 파급력이 강하고 정성적인 영향과 같은 요인이 의사 결정에 어떤 영향을 미칠 수 있는지 이해할 텐데, 이는 컴퓨터가 결코 이해하지 못하거나 성공적으로 적용할 수 없는 세세한 사항입니다.

조직은 데이터 과학과 분야 전문 지식을 모두 겸비한 '유니콘'을 채용하려 많은 노력을 기울이지만, 이러한 직무 기술에 부합하는 사람은 극히 드뭅니다. 데이터 과학 기술이 가장 중요한 고려 사항이 되는 필수 업무 관련 문제가 많지만, 비즈니스 과학으로 이러한 기술 중 다수를 더 많은 사람에게 제공하므로 상급 기술 학위가 없는 사람도 분석에 예측을 활용할 수 있습니다.

비즈니스 과학은 특정 문제에 적합한 방법과 전문가를 연결하는 것입니다. 데이터 과학팀이 비즈니스를 위한 새로운 프로젝트에 착수할 때, 비즈니스 컨텍스트와 분야에 대한 지식이 부족해 어려움을 겪을 때가 많습니다. 올바른 컨텍스트 없이는, 데이터 과학팀이 문제 해결에 알맞은 데이터를 식별한 후 분석을 위해 데이터를 선별, 정리, 준비하는 데 많은 시간을 쓰게 됩니다. AI와 ML이 데이터에 크게 의존하므로 이것은 근본적으로 데이터 문제여서, 해결하려는 문제와 이를 위해 적합한 형태로 준비된 적합한 데이터가 잘 일치하는 것이 중요합니다.

분야 전문가는 조직이 직면한 고유한 문제에 근접해 있으며 해당 비즈니스 부문 데이터에 관해 전문화된 지식이 있으므로, 더욱 시기적절하고 효율적이며 파급 효과가 큰 예측 모델을 개발, 검증, 배포하는 데 유리합니다.

반복적인 수정 및 재배포 접근 방식으로 시간 절약, 비용 절감, 고유한 기술 향상

기존의 데이터 과학과 ML의 주기는 길 수 있고 종종 '마지막 단계'가 시간, 노력, 비용 측면에서 가장 어렵고 리소스가 많이 소모됩니다. 이전 방식의 사용자 지정 모델을 배포하고 통합하는 것은 복잡한 일로, 통계학자와 데이터 과학자가 최종 사용자가 사용하고 실행할 수 있는 솔루션을 만들어야 합니다. 출시 시간이 주요 요소라면, 몇 개월이 아니라 며칠이나 몇 주 만에 예측 모델을 만들고 반복할 수 있도록 사람들의 역량을 강화함으로써 리소스를 극대화하고 더 나은 투자 수익률을 올리는 데 도움이 됩니다.

정보에 기반한 의사 결정을 위해 데이터와 예측에 의존해야 하는 비즈니스 전문가의 경우, 모델 구축 프로세스 내내 다양한 측면을 통제할 수 있고 각 사용 사례에 관련성 있는 데이터가 무엇인지 적절하게 자신할 수 있다는 점은 매우 중요합니다. 이는 모델 구축 접근 방식이 반복적이고 예측 정확도의 지속적인 개선에 중점을 둘 때 특히 가치가 있습니다. 이와 같은 접근 방식은 데이터가 여전히 관련성이 있을 때 사람들이 조치를 취할 수 있게 합니다. 그리고 때로는 모델 구축 시도만으로도 팀이 데이터를 입증하여 어느 정도 가치를 달성하게 됩니다.

비즈니스 과학에서는 가장 높은 정밀도에 이를 때까지 모델을 완벽하게 구현하는 게 아니라, KPI에 변화를 주는 것이 목표입니다. 비즈니스 과학은 기존의 데이터 과학 주기의 수정 후 재배포 프로세스보다 더 반복적인 프로세스를 가능하게 함으로써 장애 요소를 제거하여 비즈니스 컨텍스트를 아는 사람들이 신속하게 모델을 만들어 예측을 적용할 수 있도록 합니다 더 많은 사람이 이러한 고급 분석 기술에서 더 빠르게 가치를 얻어내고 필요한 때에 필요한 곳에서 더 스마트한 결정을 내릴 수 있으므로, 특정 사용 사례에 대한 상당한 비용 절감 또는 이익으로 이어질 가능성도 있습니다.

판매 할당량을 정하는 문제를 생각해 보십시오. 지리적 할당과 대상은 항상 변합니다. 어떤 해의 할당량 지정 모델이 다음 해에는 효과가 없을 것입니다. 해당 모델에 대한 입력이 계속 변할 것이기 때문입니다. 그리고 지역 영업 책임자에게 그 지역에서 훨씬 더 많은 사업을 하겠다는 목표가 있어 제안 모델을 거부하면 어떻게 될까요? 이 경우, 모델에서 재빨리 피벗하거나 반복하는 능력이 정말 중요해지고, 이러한 영업 지역에서 더 많은 수익을 창출할 새로운 기회가 생길 가능성이 있습니다.

분석가와 비즈니스 사용자가 기계 학습으로 안전하게 셀프 서비스로 이용하는 능력을 지원함으로써, 비즈니스 과학은 더 많은 사람의 고유한 기술과 분야 전문 지식을 향상합니다. 또한, 데이터 과학팀이 다른 일에서 벗어나 규모가 크고 업무에 필수적인 프로젝트에 주력할 수 있게 함으로써 팀이 수행하는 중요한 역할도 강화합니다. 또한, 이런 종류의 AI 기반 솔루션은 분석가 및 고급 비즈니스 사용자가 데이터 과학팀이 우선시하지 않는 새로운 사용 사례를 탐색할 수 있는 실험적 환경을 만들어 줄 수도 있습니다. 더 많은 사람이 더 많은 사용 사례를 조사하고 잠재적 결과의 동인을 분석함에 따라, 성공적인 모델을 제공할 가능성이 커집니다. 분야 전문가가 필요에 따라 코딩 작업 없이도 ML 기반 모델을 만들 수 있으므로, 데이터 전문가 수준의 깊은 지식이 필요하지 않은 비즈니스에 특화된 훌륭한 분석을 수행할 수 있습니다.

비즈니스 과학 솔루션이 분석가와 데이터 과학자 사이의 기술 격차 해소에 도움이 된다고 하더라도, 그들을 대체할 수는 없다는 점을 유념해야 합니다. 데이터 과학 전문가는 사용자 지정 모델, 통계 분석 등을 지속적으로 제공하겠지만, 비즈니스 전문가와 협력하여 ML 기반 모델에 사용되는 데이터의 유효성을 검사하는 경우가 더 많을 것입니다. 이와 같은 팀 간 협업 증대는 이 솔루션의 성공과 성과에 계속 중요합니다.

데이터 과학을 책임감 있게 대중화하려면 편향과 비윤리적인 사용을 식별하고 완화하기 위한 지침이 필요합니다.

AI 기반 분석을 더 많은 사람에게 확대하면 많은 이점이 있지만, 잠재적인 위험도 있습니다. 편향은 데이터와 기술에 원래 내재된 것으로, 이를 적절히 완화하지 않으면 예측과 권장 사항을 통해 편향이 영구화될 수 있고 심지어 해가 될 수도 있습니다. 안면 인식 기술은 여러 결함이 하나로 합쳐진 잘 알려진 사례로, 편향된 훈련 데이터, 기술, 예측으로 인해 유색인종 공동체에 해로운 결과를 만들어 냈습니다. (이것이 바로 당사에서 안면 인식 기술을  허용하지 않는 이유로, 당사의 제한적인 사용 정책에 나와 있습니다.)

보통의 비즈니스 전문가가 분석에서 이러한 점을 반드시 생각하는 것은 아닙니다. 우선은 모델을 잘 문서화하여 예측과 권장 사항의 근거를 뒷받침하는 투명성을 강화하고 더 쉽게 추적하도록 할 수 있습니다. 예측에 기여한 요소, 데이터의 어느 열, 동인이 어디에 있는지 파악하면 데이터 집합과 모델에서 잠재적인 편향을 식별하는 데 도움이 될 수 있습니다.

추가 지침은 기본 제공 편향 감지, 모델 모니터링, 예측에 영향을 미치는 변수에 대한 자연어 설명 등이 될 것이며, 이는 사람들이 더 윤리적인 모델을 만들도록 지원합니다. Einstein Discovery를 사용할 때, 이 제품은 사용자에게 인종, 연령, 결혼 여부, 거주 위치처럼 어쩌면 편향을 포함할 수 있는 변수와 민감한 필드를 선택하도록 요청합니다. 또한, 프록시 감지를 통해 데이터 집합에서 상관관계가 있는 필드들을 찾는데, 여기서 한 필드가 제거되었는데 다른 필드는 제거되지 않았으면 편향 가능성이 있습니다. 또 다른 중요한 메트릭은 서로 다른 영향으로, 예컨대 모델의 결과가 성별이나 우편 번호에 따라 다른지 확인합니다. 많은 규제 대상 산업의 경우, 이는 기계 학습 모델의 책임을 묻는 데 사용되는 한 가지 메트릭입니다.

데이터 기술에 대한 요구가 점점 더 커지기만 하고 이에 따라, 사람과 조직이 문제를 더욱 효과적으로 파악하고 해결하도록 도와줄 엄청난 기회가 생기고 있습니다. 어떤 접근 방식은 완전히 자동화된 AI 솔루션을 개발하거나 구현하는 데 초점을 맞출 수 있겠지만, 이런 제한적 접근 방식은 제공하려 의도했던 가치를 제대로 전달하지 못할 가능성이 높습니다. AI와 데이터 과학 기술을 대중화할 때 인간의 독창성, 상황 인식, 전문 지식을 무시하고 배제하는 것은 비생산적일 뿐 아니라 무책임합니다.

Tableau는 항상 인간이 지닌 잠재력을 믿어 왔습니다. 인간의 잠재력을 일깨우는 것은 Tableau의 업계 최고 시각적 분석 플랫폼에 내재된 Tableau DNA의 일부입니다. 이제 이 새로운 종류의 혁신인 Tableau 비즈니스 과학으로 AI와 ML을 사용해 알맞은 도구와 기능을 통해 사람들이 질문하고 답을 찾고 인사이트를 발견하고 문제를 해결하도록 역량을 강화하는 전통을 이어갑니다. 비즈니스 과학 솔루션인 Einstein Discovery를 Tableau에서 이용을 통해, 우리는 기계 학습을 더 많은 사람의 손에 안전하게 제공하여 강력한 데이터 과학 기술을 대중화하고 사람들이 더 나은 결정을 더 빠르게 내리도록 돕습니다.